一种基于分流级联的多类别交通标示牌的检测方法技术

本发明专利技术公开了一种基于分流级联的多类别交通标示牌的检测方法，包括以下步骤：将待测图像利用缩放算法生成金字塔图像集合；通过计算MN-LBP和TMN-LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；建立包含多种标示牌信息的分流级联分类器结构；利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌；标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小。本发明专利技术有益效果：能够快速实时的对多类别标示牌进行检测，能够检测上百种不同标示牌，无论检测速度还是检测种类都超出了目前已有专利和论文描述的方法。

【技术实现步骤摘要】
一种基于分流级联的多类别交通标示牌的检测方法
本专利技术涉及一种基于分流级联的多类别交通标示牌的检测方法。
技术介绍
近十年来，基于机器视觉和模式识别的交通标识牌识别(trafficsignrecognition(TSR))被广泛的研究和应用在一些智能交通领域，例如：自动驾驶系统(autonomousdriving)和辅助驾驶系统(assisteddriving)。通过识别标识牌可以对驾驶员的错误驾驶行为或前面存在的潜在威胁提前报警，保证了驾驶员的行驶安全。交通标识牌检测(trafficsigndetection(TSD))，是指在车载摄像机拍摄的图像中检测和定位标识牌图像，是标示牌识别系统中的不可或缺的基础部分。然而，交通标示牌问题检测是一个非常具有挑战性的问题，在实际应用中仍然有两种主要难点需要克服：一，标示牌种类的繁多使TSD问题成为一个复杂的多类别物体检测问题，二，检测标示牌需要在大分辨率图像中进行搜索，这是一个非常耗时的过程。Viola提出的基于boosting算法、级联机制和Haar-like特征的快速检测系统，在标示牌检测中得到了较好的应用，然而面对多类别标示牌检测时却难以胜任。在标示牌检测领域，Viola的检测框架已经被成功的应用在多个标示牌检测系统中。然而，Bahlmann等基于Viola的框架建立的标示牌检测系统只能检测圆形的限速标示牌，而Baró等的系统使用三个平行的检测器设计其检测方法，该检测方法只能检测三类标示牌：圆形标示牌，限速牌和三角形标示牌。因此，尽管Viola的检测框架已经成功的应用到部分标示牌检测系统中，但是它们只能检测具有相似外表的标示牌，而没有能力将具有不同结构和外表的不同种类的标示牌准确检测。
技术实现思路
本专利技术的目的就是为了解决上述问题，提出了一种基于分流级联的多类别交通标示牌的检测方法。本方法能够快速的检测高分辨率图像中的多类别交通标示牌，并且能够达到很高的检测率，鲁棒性好。为了实现上述目的，本专利技术采用如下技术方案：一种基于分流级联的多类别交通标示牌的检测方法，包括以下步骤：(1)将待测图像利用缩放算法生成金字塔图像集合。(2)通过计算MN-LBP和TMN-LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；使用上述生成的弱分类器，建立包含多种标示牌信息的分流级联分类器结构。(3)利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌。(4)标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小。所述步骤(2)中MN-LBP和TMN-LBP特征为：构建一个3×3的矩形框阵列，共九个矩形框，Sumi(i＝1,…，8)分别为周围8个矩形框内的像素值之和。假设：t＝(s(Sum1-Ave),s(Sum2-Ave),…,s(Sum8-Ave))(1)其中，t是一个八维向量，Ave是常数；然后，对每一项分析赋予一个权重2i，公式(1)就可以用一个数据来表示：其中，T是MN-LBP特征值或旋转45°的TMN-LBP特征值，s(Sumi-Ave)为公式(1)中t的一维向量，计算方法和公式(1)相同。所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：(a)使用boosting算法训练所有的训练样本集，得到对应k个训练样本集的k个特征集：其中，i指的是第i个训练样本集，fi,j是boosting训练方法选出的特征，Ni是选出特征的总数。(b)寻找不同训练样本集之间的共有特征，并根据这些共有特征建立由粗到精的SCF-tree结构。(c)根据不同特征集的相似度将不同的样本分配到SFC-tree的恰当节点中。(d)对SFC-tree结构中每个节点的共有特征进行二次训练和特征提取，建立每个节点的结构。所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：根据不同训练样本的相似度，使用人工选择的方法，按照样本的相似度高低进行分类。所述步骤(c)的方法为：根据公式(4)所述的k个特征集，则根节点包含所有k个待检目标，根节点分支的任务就是将这k个待检目标分配到它的n个子节点中：(Ⅰ).设根节点的每一个子节点中的目标个数是k1和k2，则φ1和φ2为每个子节点的共有特征集合；其中，μ为对应目标个数的特征集。(Ⅱ).φ1和φ2共有种不同的排列组合，定义函数Ψ(x)为不同组合中虚警率(FA)和检测率(DR)的累加和：其中，DRi,j是检测率，FAi,j是虚警率，两者是boosting训练方法选出的特征fi,j的两个主要参数；FAi,j/DRi,j是FAi,j和DRi,j比率，是为了寻找具有较低虚警率和较高检测率的特征；将属于φ1和φ2的共用特征按照FAi,j/DRi,j从小到大进行排列，然后选择最小的m个特征，定义为和(Ⅲ).定义Ψmin为寻找Ψ(φ1,φ2)的最小值：Ψmin(φ1,min,φ2,min)＝min(Ψ(φ1,φ2))(8)(Ⅳ).在Ψmin(φ1,min,φ2,min)取最小值的情况下，根节点中的k个待检目标成功被分到两个子节点中。所述步骤(2)中建立的分流级联分类器结构具体为：金字塔形状的树形结构，每一个节点有多个特征级构成；每个特征级包含多个特征或一个特征，多个特征级通过级联的方式构成对应的节点。每个可分支节点包含多个不同的标示牌，并且这些待检测标示牌共用该节点的特征。每个可分支节点的特征在检测过程中都能够进行标示牌检测和非标示牌窗口的排除。分流级联结构叶子节点不再分支，能有针对性的检测某个或某类标示牌。另外，本专利技术的交通标示牌检测方法是以缩放图像的方法为例介绍的，也可以替换为利用缩放分类器大小的方法来实现。本专利技术的有益效果是：本专利技术能够快速的检测高分辨率图像中的多类别交通标示牌，并且能够达到很高的检测率。本专利技术提出的两种特征：MN-LBP特征和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分流级联的多类别交通标示牌的检测方法，其特征是，包括以下步骤：(1)将待测图像利用缩放算法生成金字塔图像集合；(2)通过计算MN-LBP和TMN-LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；使用上述生成的弱分类器，建立包含多种标示牌信息的分流级联分类器结构；(3)利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌；(4)标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小；所述步骤(2)中MN-LBP和TMN-LBP特征为：构建一个3×3的矩形框阵列，共九个矩形框，Sumi(i＝1,…，8)分别为周围8个矩形框内的像素值之和；假设：t＝(s(Sum1-Ave),s(Sum2-Ave),…,s(Sum8-Ave))(1)其中，t是一个八维向量，Ave是常数；然后，对每一项分析赋予一个权重2i，公式(1)就可以用一个数据来表示：其中，T是MN-LBP特征值或旋转45°的TMN-LBP特征值，s(Sumi-Ave)为公式(1)中t的一维向量，计算方法和公式(1)相同；所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：(a)使用boosting算法训练所有的训练样本集，得到对应k个训练样本集的k个特征集：其中，i指的是第i个训练样本集，fi,j是boosting训练方法选出的特征，Ni是选出特征的总数；(b)寻找不同训练样本集之间的共有特征，并根据这些共有特征建立由粗到精的SCF-tree结构；(c)根据不同特征集的相似度将不同的样本分配到SFC-tree的恰当节点中；(d)对SFC-tree结构中每个节点的共有特征进行二次训练和特征提取，建立每个节点的结构。2.如权利要求1所述的一种基于分流级联的多类别交通标示牌的检测方法，其特征是，所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：根据不同训练样本...

【专利技术属性】
技术研发人员：刘春生，常发亮，
申请(专利权)人：山东大学，
类型：发明
国别省市：